Dans la Grèce antique, le célèbre philosophe Diogène, connu pour son esprit, vivait dans un tonneau et se moquait souvent de la prétention de la société. Un jour, un groupe de savants s'était réuni autour de lui, discutant de théories profondes sur les étoiles. Diogène, entendant leur conversation, saisit un morceau de pain et commença à le manger pensivement. Les savants, remarquant son indifférence, lui demandèrent : « Diogène, pourquoi ne participes-tu pas à notre discussion sur les cieux ? » Diogène répondit avec un sourire en coin : « Pendant que vous perdez votre temps à contempler les étoiles, moi, je suis ici en train de savourer un simple repas. Les cieux peuvent être grands, mais ils ne rempliront pas votre estomac. »
Activer vos Muscles de l'Action avec l'IA Générative
Lorsque vous concevez votre manière d'apprendre, vous activez une partie de vous-même prête à se lancer dans l'acte de faire. Lorsque vous mettez votre plan en action, l'apprentissage n'est plus passif. Vous vous stimulez pour apprendre à utiliser l'IA générative à vos propres fins, et vous devez avoir ces objectifs pour faire avancer l'action. Inversement, il existe de nombreuses personnes intelligentes qui aiment théoriser sur les avantages et les inconvénients de l'utilisation de l'IA générative, mais qui ne l'essaient jamais dans le cadre de leur travail. Il est facile de critiquer l'utilisation de l'IA sans explorer toute l'utilité des systèmes existants et sans appliquer la technologie à des usages spécifiques.
Chaque créateur sait que tout change dans le flot de la création lorsque vous utilisez différents outils, en particulier ceux avec lesquels vous n'êtes pas familiarisé. Les avantages et les inconvénients de l'IA générative ne sont que des discours vains tant que vous ne trouvez pas un usage concret pour celle-ci. Bien que cela puisse sembler évident, l'application pratique de la technologie active une autre partie de nos muscles intellectuels.
Ne vous inquiétez pas, cependant ; pour ceux qui ont du mal à lâcher leur esprit critique, l'IA générative peut activer à la fois le théoricien critique et les personnalités pratiques de chaque humain. Par exemple, avec un seul prompt, vous pouvez demander à un modèle de langage de vous proposer différentes méthodes pour faciliter des exercices d'improvisation afin d'expliquer comment certains des mécanismes des modèles d'apprentissage machine fonctionnent. Vous pouvez également obtenir un plan d'activités étape par étape à essayer avec d'autres. La technologie nous permet de recontextualiser le fonctionnement d'un modèle d'apprentissage automatique en utilisant un vocabulaire que nous comprenons, passant de la compréhension critique d'un sujet à l'application pratique de ces activités pour tester si elles peuvent être appliquées à la tâche en question.
Si vous avez une expérience en tant qu'improvisateur ou facilitateur dans une discipline spécifique, cela vous aidera évidemment à conceptualiser le fonctionnement des modèles d'apprentissage automatique, puis vous pourrez valider le contenu généré avec vos propres connaissances acquises par la pratique.
Du Beef Bourguignon et de l'Écriture
Un autre exemple d'activation simultanée de différentes parties de vous-même est si nous commençons avec un prompt simple comme « Donne-moi la meilleure recette combinée de bœuf bourguignon des 100 dernières années. » Vous pouvez devenir plus critique en poussant davantage le modèle de langage à découvrir plus d'ingrédients utilisés historiquement, et identifier des ingrédients auxquels vous n'auriez pas pensé, ou des façons de braiser le bœuf que vous n'avez jamais essayées auparavant. Cela pourrait vous conduire à assister à une rencontre communautaire, où une recette combinée provenant du corpus d'un modèle de langage est réalisée et testée avec de vraies personnes pour obtenir des retours et une validation gustative.
Ce que l'IA générative a le potentiel de faire, c'est de vous enseigner un sujet et aussi de vous indiquer comment appliquer ce savoir et acquérir des compétences pratiques. Si vous n'avez jamais improvisé ni préparé de bœuf bourguignon, préparez-vous à faire des erreurs, à échouer de manière itérative et à expérimenter. Un modèle de langage ne fera pas le travail ni la réflexion à votre place. Il ne saura pas comment fonctionne votre cuisinière, ni les subtilités de la manière dont vous remuez la pâte pour faire le roux, ce qui affecte le résultat.
Il existe littéralement des dizaines d'endroits dans la recette où l'ingéniosité humaine, l'improvisation et des réponses rapides en cas de petits échecs sont nécessaires. C'est ce à quoi nous devons nous attendre pour réaliser l'une des recettes les plus populaires et probablement l'une des plus exigeantes du répertoire de la cuisine française.
Appliquer ce principe à une utilisation plus courante d'un modèle de langage pour rédiger un essai, un modèle de langage ne connaît pas les spécificités et les attentes de la personne qui lira finalement votre essai. Il ne sait pas où mettre l'accent, combien un sujet doit être développé, ni comment vous devez commencer ou conclure l'essai. Plus important encore, il ne connaît pas tous les faits sur le sujet que vous écrivez et ne remplira pas les attentes créatives que vous et vos lecteurs aurez. Les modèles de langage sont un point de départ, une offre à laquelle vous devez répondre par une action intentionnelle et critique, engageant tous vos muscles intellectuels.
Les modèles d'apprentissage machine nous permettent de passer de la compréhension critique d'un sujet à l'expérimentation pratique des activités que nous jugeons adaptées à notre environnement de travail. Pour unir théorie et pratique, ce que fait l'IA générative, c'est :
• Transmettre un sujet et fournir de nombreuses options pour approfondir votre compréhension de ce sujet • Vous enseigner comment vous pouvez appliquer les connaissances et acquérir des compétences en les mettant en œuvre dans votre propre travail • Vous inciter à réfléchir aux implications de l'application de tout outil d'IA générative dans votre environnement de travail pour vous aider à accomplir vos tâches
Le Rush de Dopamine de l'Action
Pour vraiment apprendre quelque chose, il faut le pratiquer pendant un certain temps. Il en va de même pour les outils d'IA générative que vous souhaitez intégrer dans vos flux de travail quotidiens. Vous pouvez être paresseux et simplement prendre ce qu'un modèle de langage vous donne au début, le copier et le coller dans un document, un article ou un e-mail. Vous pouvez lire tout ce que vous voulez sur l'IA et vous croire un expert critique, mais à moins d'essayer les outils, d'échouer, d'essayer à nouveau et de continuer à apprendre à améliorer vos compétences par la pratique, vous n'irez pas très loin.
S'engager dans la pratique de la curation du contenu généré par une IA active une partie du cerveau que les psychologues étudient souvent. L'apprentissage expérientiel est particulièrement puissant, car lorsque nous réussissons et recevons des retours positifs, notre cerveau nous récompense en produisant de la dopamine. Ce sentiment de bonheur n'est pas seulement agréable ; il aide réellement à renforcer les circuits d'apprentissage du cerveau. Cette montée de dopamine est similaire à celle que beaucoup de gens rapportent après avoir généré du contenu avec une IA. Peu importe la petite quantité d'effort impliquée dans la création réelle du contenu, il est gratifiant de recevoir ce bloc de texte généré ou cette image fantastique que vous n'auriez jamais pu créer avec vos propres compétences dans le même laps de temps. L'acte de faire est une célébration de l'action en cours. Dans ce cas, générer du contenu avec l'IA est un travail en progrès gratifiant qui peut ensuite être affiné et retravaillé.
Que faut-il pour persister dans la pratique ?
Comparer la Technique du Piano et l'IA Générative
Bien que l'art de formuler des demandes et de jouer du piano ne soient pas équivalents, nous pouvons tout de même tirer quelques enseignements sur ce qu'il faut faire lorsqu'on apprend à jouer du piano. Le premier est cette terrible tension entre vouloir jouer quelque chose et devoir développer de la dextérité et de la fluidité avec vos doigts sur le clavier du piano. Au début, les résultats ne sont pas très harmonieux. Vous trébuchez à travers la coordination, la synchronisation, le respect du temps, la précision, le flux, les dynamiques, l'expression – et bien sûr, les touches elles-mêmes.
Si vous commencez par do, c'est en enroulant votre main droite autour des touches blanches plates qui ont des touches noires qui dépassent.
Le va-et-vient entre différents types de connaissances
Connaissance explicite
Comprendre les différents systèmes d'IA générative et les implications de leur utilisation nécessite souvent des connaissances explicites, telles qu'une compréhension de base des algorithmes, des valeurs de l'entreprise, du type de contenu généré et de ce qu'il est possible de faire avec ce contenu. Ces connaissances peuvent être documentées et facilement partagées entre les équipes.
Connaissance tacite
La connaissance tacite inclut les aperçus intuitifs et expérientiels que les membres d'une équipe développent en travaillant avec des outils d'IA, en les expérimentant activement, en identifiant leurs atouts et leurs limites, et en évaluant leur véritable valeur. Cette connaissance est plus difficile à formaliser, mais elle est essentielle à documenter pour que d'autres membres de l'équipe, ainsi que la direction, puissent en comprendre l'importance et prendre des décisions sur son utilisation future.
Exemple : Les dépôts en ligne regorgent d'environnements de codage partagés, permettant à ceux qui ont la ténacité d'apprendre comment installer différents modèles d'IA sur leurs propres ordinateurs. Ce savoir-faire peut provenir de l'expérience d'installation de modèles d'IA pré-entraînés, de leur entraînement avec vos propres données et de l'exécution des inférences. Ce cycle se répète à mesure que ce savoir-faire est documenté et transmis à la génération suivante d'employés, qui doivent accomplir la même tâche.
Transformer la connaissance en action
Comme nous l'avons évoqué, il est possible de concilier la pensée critique et les actions pratiques de différentes manières. Cela sera particulièrement utile pour votre organisation si elle est incertaine quant aux dimensions à considérer avant d'intégrer l'IA générative et de passer à l'action. Cela est d'autant plus nécessaire si vous devez obtenir l'adhésion de la direction avant toute mise en œuvre.
Par exemple, vous pouvez d'abord demander à un modèle de langage comment d'autres organisations intègrent l'IA générative, mener des recherches en ligne pour localiser des sources et des entreprises qui le font, chercher des statistiques pour valider avec des chiffres, puis affiner ces idées après avoir généré automatiquement une présentation PowerPoint.
Au-delà de cette présentation aux parties prenantes, le travail à accomplir consistera à mettre en œuvre les stratégies que vous avez définies et qui sont alignées avec les objectifs de votre organisation. Cela implique bien plus que ce qu'un modèle de langage peut générer ; il s'agit de vous impliquer activement, de déchiffrer la stratégie avec d'autres, de comprendre comment elle pourrait être appliquée dans votre contexte spécifique, et d'identifier les secteurs de votre entreprise où elle apportera de la valeur, qui en sera responsable, quels indicateurs définiront le succès, le calendrier de mise en œuvre, ainsi que les risques associés à l'intégration de la technologie.
Les implications de l'intégration de l'IA au sein d'une organisation
Connaissance en tant qu'acquisition
Au début, les équipes doivent acquérir des connaissances explicites sur les outils d'IA générative. Cela passe par des sessions de formation, de la documentation et des tutoriels pour construire une compréhension partagée. Ce processus prend du temps et serait plus efficace s'il était formellement soutenu par l'organisation. Il nécessite un investissement pour sécuriser les ressources nécessaires et financer les infrastructures (calcul, sécurité, abonnements) qui permettront de concrétiser les projets. Cela peut également impliquer la mise en place d'un laboratoire de recherche et développement où des expériences peuvent être menées en ligne ou hors ligne, dans une organisation qui n'y avait peut-être pas pensé auparavant.
Connaissance en tant que pratique
Une fois les équipes familiarisées avec ces outils, elles peuvent appliquer les connaissances explicites acquises lors de leurs expériences, ce qui mène à la génération de connaissances tacites. Par exemple, une équipe marketing utilisant l'IA pour générer du contenu apprendra à affiner ce contenu généré à travers des cycles d'itérations et de retours, jusqu'à l'appliquer dans une campagne.
Niveaux individuel et collectif
À l'échelle individuelle, les membres des équipes acquièrent des compétences, notamment en résolution de problèmes et en trouvant des manières créatives d'intégrer l'IA générative dans leurs flux de travail. À l'échelle collective, les équipes partagent leurs expériences et leurs idées, menant à une connaissance partagée. Par exemple, une équipe travaillant sur la conception de produits pourrait organiser des réunions régulières pour discuter de la manière dont l'IA a amélioré leur flux de travail, en partageant les meilleures pratiques et les leçons apprises.
La collective d'individus qui expérimentent avec les outils d'IA générative influencera inévitablement d'autres équipes qui ne les ont pas encore appliqués. Cela permet de développer progressivement une culture d'expérimentation avec l'IA générative, tant que la direction soutient les initiatives intégrées et comprend l'importance de le faire.
Construire une base pour une culture de l'action
Ce que nous pouvons apprendre en interagissant avec les systèmes d'IA générative au travail, c'est l'importance d'implémenter des cycles de connaissances et de savoir-faire dans des sprints Agile réguliers. Ce faisant, vous pouvez instaurer une culture de la pratique récurrente et réflexive, activée chaque semaine ou tous les quinze jours.
Co-création collaborative
Encourager les équipes à collaborer avec différents outils d'IA générative et à partager les résultats de leurs expériences peut favoriser une culture de co-création collaborative, où chacun a un intérêt dans le succès. Peut-être que le succès d'une équipe réside simplement dans la découverte d'un processus qui fonctionne.
Les équipes interfonctionnelles, comprenant des membres de l'informatique, du marketing et du développement produit, peuvent également être facilitées à travailler ensemble pour intégrer les outils d'IA dans leurs flux de travail, adoptant ainsi une approche plus transparente et interdisciplinaire des expériences. Cela se produit peut-être déjà dans votre organisation. Rien n'éveille plus l'enthousiasme qu'une nouvelle technologie pour motiver les équipes à explorer comment mieux l'intégrer, même si cela ne consiste qu'à partager des ressources ou les résultats de leurs efforts.
Boucles de rétroaction
Établir des boucles de rétroaction persistantes où les équipes peuvent partager leurs succès et leurs défis avec les outils d'IA est un bon moyen de réduire les biais potentiels, qu'ils soient en faveur ou non de l'intégration de la technologie. Cela permet également à l'organisation de réfléchir et d'affiner continuellement ses stratégies d'IA en fonction de ce qu'elle apprend des expérimentations des équipes.
Soutenir l'apprentissage continu
Soutenir un environnement d'apprentissage continu où les équipes sont encouragées à expérimenter avec les outils d'IA et à partager ce qu'elles ont appris est une étape importante pour les organisations qui souhaitent déployer ces outils à grande échelle. Fournir un accès à des ressources de formation et de développement continues garantira que les connaissances évoluent en même temps que le travail qu'elles soutiennent. L'expérimentation constante et l'apprentissage qui en découle permettront à chacun dans l'organisation d'évaluer les avantages de la technologie et de déterminer si son utilisation apporte réellement de la valeur.
Les membres des différentes équipes peuvent représenter leurs propres efforts et obstacles lorsqu'il s'agit d'intégrer différents outils dans différents flux de travail. En documentant continuellement les expériences et en affinant la manière dont les outils d'IA générative peuvent soutenir l'accomplissement des tâches ou sous-tâches faisant partie de leurs flux de travail, les organisations créent un environnement d'apprentissage.
L'IA générative agit comme un catalyseur dans ce processus, aidant à combler le fossé entre ce qui est connu (connaissance explicite) et comment cela est appliqué (connaissance tacite), avec le potentiel de créer un véritable terreau d'expérimentations et d'innovations à appliquer aux produits ou services existants de l'organisation.
Application dans les organisations
Cartographier où et quand l'action a lieu dans votre travail peut au départ sembler évident : tout le temps et partout. Et qu'en est-il de cartographier où le temps est le plus gaspillé ? Certaines recherches ont montré à quel point les réunions peuvent être un piège pour la gestion du temps, combien il est parfois inutile que tout le monde soit présent à certaines réunions, et comment elles peuvent être rendues plus efficaces avec une planification minutieuse. Quels outils pourraient être utiles pour accroître notre capacité à rendre certains processus dans nos organisations plus efficaces ?
Comprendre qu'avec l'IA générative, vous et votre organisation aurez probablement besoin à la fois de connaissances sur son fonctionnement et sa capacité à ajouter de la valeur, ainsi que de l'application expérimentale de l'IA générative pour acquérir du savoir-faire, vous préparera au mieux à toute discussion sur son intégration. Cette approche garantit que les outils d'IA ne sont pas seulement compris, mais aussi expérimentés et continuellement améliorés grâce à une pratique collaborative et des expériences partagées.
Mettre en œuvre un cadre de pratique, qui consiste à passer de l'acquisition de connaissances sur les outils d'IA générative à leur application pratique, peut aider toute organisation à instaurer une culture de l'expérimentation, où l'apprentissage continu profite à tous.
